Scroll Top
19th Ave New York, NY 95822, USA

数学代写|金融数学代写Financial Mathematics代考|ACTL20001 Portfolio Allocation Using Regularization

如果你也在 怎样代写金融数学Financial Mathematics ACTL20001这个学科遇到相关的难题,请随时右上角联系我们的24/7代写客服。金融数学Financial Mathematics法国数学家Louis Bachelier被认为是第一部关于数学金融的学术著作的作者,发表于1900年。但数学金融作为一门学科出现在20世纪70年代,是在费舍尔-布莱克、迈伦-斯科尔斯和罗伯特-默顿关于期权定价理论的工作之后。数学投资起源于数学家爱德华-索普的研究,他利用统计方法首先发明了21点中的算牌,然后将其原理应用于现代系统投资。

该学科与金融经济学学科有着密切的关系,金融经济学涉及到金融数学中的许多基础理论。一般来说,数学金融学会以观察到的市场价格为输入,推导和扩展数学或数字模型,而不一定与金融理论建立联系。需要的是数学上的一致性,而不是与经济理论的兼容性。因此,例如,金融经济学家可能会研究一家公司可能有某种股价的结构性原因,而金融数学家可能会把股价作为一个给定值,并试图使用随机微积分来获得股票的相应衍生品价值。见。期权的估价;金融建模;资产定价。无套利定价的基本定理是数学金融学的关键定理之一,而布莱克-斯科尔斯方程和公式是其中的关键结果。

金融数学Financial Mathematics代写,免费提交作业要求, 满意后付款,成绩80\%以下全额退款,安全省心无顾虑。专业硕 博写手团队,所有订单可靠准时,保证 100% 原创。 最高质量的金融数学Financial Mathematics作业代写,服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面,考虑到同学们的经济条件,在保障代写质量的前提下,我们为客户提供最合理的价格。 由于作业种类很多,同时其中的大部分作业在字数上都没有具体要求,因此金融数学Financial Mathematics作业代写的价格不固定。通常在专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。

同学们在留学期间,都对各式各样的作业考试很是头疼,如果你无从下手,不如考虑my-assignmentexpert™!

my-assignmentexpert™提供最专业的一站式服务:Essay代写,Dissertation代写,Assignment代写,Paper代写,Proposal代写,Proposal代写,Literature Review代写,Online Course,Exam代考等等。my-assignmentexpert™专注为留学生提供Essay代写服务,拥有各个专业的博硕教师团队帮您代写,免费修改及辅导,保证成果完成的效率和质量。同时有多家检测平台帐号,包括Turnitin高级账户,检测论文不会留痕,写好后检测修改,放心可靠,经得起任何考验!

想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。

我们在数学Mathematics代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在金融数学Financial Mathematics代写方面经验极为丰富,各种金融数学Financial Mathematics相关的作业也就用不着 说。

数学代写|金融数学代写Financial Mathematics代考|ACTL20001 Portfolio Allocation Using Regularization

数学代写|金融数学代写Financial Mathematics代考|Portfolio Allocation Using Regularization

It is noted that the poor performance of Markowitz’s conceptual framework is due to the structure of the optimization problem. It is an ill-conditioned inverse problem as the solution requires the inverse of the covariance matrix that may involve highly correlated securities. A number of regularization procedures have been proposed in the literature to address the instability in the solution and we present a few of them here.

The $\mathbf{L}2$ Constraint: This is also known as ridge constraint that imposes a penalty on the size of the estimates as given in (6.35). Formally, the problem is defined as follows: $$ \min _w w^{\prime} \Sigma w \ni w^{\prime} \mu=\mu^, w^{\prime} \mu=1 \text { and } \sum{i=1}^m w_i^2 \leq w_0 .
$$
When there are many correlated assets, the weights are poorly determined and can exhibit high variance. A large positive weight for an asset can be canceled by a large negative weight for the correlated asset. The size constraint added in (6.44) can address this issue. If the added constraint has the associated Lagrangian multiplier, $\gamma^$, the solution in (6.6) is modified by replacing $\Sigma$ by $\left(\Sigma+\gamma^* I_m\right)$. The solution adds a positive constant to smaller eigenvalues of possibly a singular matrix, $\Sigma$. Observe that the eigenvalue decomposition of $\Sigma=V \Lambda V^{\prime}$ essentially gives us the principal components of the asset universe considered for the formation of the portfolio. This optimization approach can also be extended to accommodate mimicking a target portfolio with weights $w^$. The set-up would be the same except for the last size constraint which is replaced by $$ \left(w-w^\right)^{\prime} A\left(w-w^*\right) \leq w_0,
$$
where $A$ is a general specified matrix. If ‘ $\lambda$ ‘ and ‘ $\gamma$ ‘ are the Lagrangian multipliers associated with the mean specification constraint in (6.45) and the constraint above, the solution is
$$
\hat{w}(\lambda, \gamma)=(\hat{\Sigma}+\gamma A)^{-1}\left(\lambda \hat{\mu}+\gamma A w_0\right),
$$
which results from shrinking both the mean vector and the covariance matrix.

数学代写|金融数学代写Financial Mathematics代考|Portfolio Strategies: Some General Findings

The following wisdom advocated by Rabbi Isaac bar Aha that “one should always divide his wealth into three parts: A third in land, a third in merchandise and a third ready to hand,” has been tested out in the case of equity allocation as well in the form of equal division among assets. Although this diversification strategy appears to be naïve because it is based on neither any theory nor any data, it has done relatively well and has stood out as a folk wisdom. DeMiguel, Garlappi and Uppal (2009) [104] compare this naïve strategy with other theory-based strategies that were discussed in earlier sections in terms of its performance using various data sets. The summary of their findings is worth noting: “… of the strategies from the optimizing models, there is no single strategy that dominates the $1 / N$ strategy in terms of Sharpe ratio. In general, $1 / N$ strategy has Sharpe ratios that are higher … relative to the constrained policies which in turn have Sharpe ratios that are higher than those for the unconstrained policies.”

The naïve portfolio has also very low turnover. In addition to keeping naïve portfolio as a benchmark, a practical implication is that the estimation of the moments of asset returns, such as the mean and the variance, needs improvement, using other asset characteristics.

数学代写|金融数学代写Financial Mathematics代考|ACTL20001 Portfolio Allocation Using Regularization

金融数学代写

数学代写|金融数学代写金融数学代考|使用正则化的投资组合分配


值得注意的是,Markowitz的概念框架性能不佳是由于优化问题的结构。这是一个病态逆问题,因为解需要协方差矩阵的逆,而协方差矩阵可能涉及高度相关的证券。文献中已经提出了许多正则化过程来解决解的不稳定性,我们在这里介绍其中的一些

$\mathbf{L}2$约束:这也称为脊约束,对(6.35)中给出的估计大小施加惩罚。在形式上,这个问题的定义如下:$$ \min _w w^{\prime} \Sigma w \ni w^{\prime} \mu=\mu^, w^{\prime} \mu=1 \text { and } \sum{i=1}^m w_i^2 \leq w_0 .
$$
当有许多相关资产时,权重确定得很差,可能表现出很高的方差。一个资产的大的正权重可以被相关资产的大的负权重抵消。(6.44)中添加的大小限制可以解决这个问题。如果添加的约束具有相关的拉格朗日乘子$\gamma^$,则修改(6.6)中的解决方案,将$\Sigma$替换为$\left(\Sigma+\gamma^* I_m\right)$。该解将一个正常数加到一个可能是奇异矩阵$\Sigma$的较小特征值上。观察$\Sigma=V \Lambda V^{\prime}$的特征值分解本质上给了我们构成投资组合时所考虑的资产宇宙的主成分。这种优化方法也可以扩展到模拟具有权重的目标投资组合$w^$。除了最后一个大小约束被$$ \left(w-w^\right)^{\prime} A\left(w-w^*\right) \leq w_0,
$$
所取代之外,设置是相同的,其中$A$是一个通用的指定矩阵。如果’ $\lambda$ ‘和’ $\gamma$ ‘是与(6.45)中的平均规范约束和上面的约束相关联的拉格朗日乘子,则解是
$$
\hat{w}(\lambda, \gamma)=(\hat{\Sigma}+\gamma A)^{-1}\left(\lambda \hat{\mu}+\gamma A w_0\right),
$$
,这是缩小平均向量和协方差矩阵的结果

数学代写|金融数学代写金融数学代考|投资组合策略:一些一般发现

以下由拉比Isaac bar Aha所倡导的智慧:“一个人应该把他的财富分成三部分:三分之一在土地上,三分之一在商品上,三分之一随时可以到手”,已经在以资产平均分配的形式进行股权配置的情况下得到了验证。虽然这种多元化策略看起来是naïve,因为它既没有任何理论也没有任何数据,但它做得相对不错,并作为一种民间智慧脱颖而出。DeMiguel、Garlappi和Uppal(2009)[104]将naïve策略与前面章节中讨论的基于理论的其他策略进行了比较,比较了其使用不同数据集的性能。他们研究结果的总结值得注意:“……在优化模型的策略中,没有一种策略在夏普比率方面优于$1 / N$策略。一般来说,$1 / N$策略的夏普比率相对于有约束策略的夏普比率更高,而有约束策略的夏普比率又高于无约束策略的夏普比率。


naïve投资组合的周转率也很低。除了保持naïve投资组合作为基准之外,一个实际的含义是,需要利用其他资产特征改进对资产收益矩(如平均值和方差)的估计

数学代写|金融数学代写Financial Mathematics代考

数学代写|金融数学代写Financial Mathematics代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。

微观经济学代写

微观经济学是主流经济学的一个分支,研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富,各种图论代写Graph Theory相关的作业也就用不着 说。

线性代数代写

线性代数是数学的一个分支,涉及线性方程,如:线性图,如:以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。

博弈论代写

现代博弈论始于约翰-冯-诺伊曼(John von Neumann)提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理,这成为博弈论和数学经济学的标准方法。在他的论文之后,1944年,他与奥斯卡-莫根斯特恩(Oskar Morgenstern)共同撰写了《游戏和经济行为理论》一书,该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论,使数理统计学家和经济学家能够处理不确定性下的决策。

微积分代写

微积分,最初被称为无穷小微积分或 “无穷小的微积分”,是对连续变化的数学研究,就像几何学是对形状的研究,而代数是对算术运算的概括研究一样。

它有两个主要分支,微分和积分;微分涉及瞬时变化率和曲线的斜率,而积分涉及数量的累积,以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系,它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。

计量经济学代写

什么是计量经济学?
计量经济学是统计学和数学模型的定量应用,使用数据来发展理论或测试经济学中的现有假设,并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验,然后将结果与被测试的理论进行比较和对比。

根据你是对测试现有理论感兴趣,还是对利用现有数据在这些观察的基础上提出新的假设感兴趣,计量经济学可以细分为两大类:理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。

Matlab代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中,其中问题和解决方案以熟悉的数学符号表示。典型用途包括:数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发,包括图形用户界面构建MATLAB 是一个交互式系统,其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题,尤其是那些具有矩阵和向量公式的问题,而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问,这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展,得到了许多用户的投入。在大学环境中,它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域,MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要,工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数(M 文件)的综合集合,可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

Related Posts

Leave a comment